A NÁLISE ESTATÍSTICA MULTIVARIADA

Quanto à análise estatística multivariada foram aplicados dois métodos, um de ordenação e outro de classificação. Estes métodos foram aplicados ao conjunto de dados que corresponde à população com todas as espécies que apresentam abundância superior a 5%, pelo menos numa amostra, à excepção das espécies dominantes e comuns. Para classificar as espécies como dominantes e comuns entrou-se em linha de conta com a sua abundância e frequência, utilizando-se o critério descrito por Murray (2007). Este classifica as espécies dominantes, como as mais abundantes numa associação, e que apresentem abundância superior a 10% em todas as amostras. As espécies comuns são descritas como as espécies que apresentam abundância superior a 10%, pelo menos numa amostra.

Devido à elevada variação entre o número de indivíduos contados em cada amostra, os dados foram sempre processados sobre a forma das suas abundâncias relativas.

Foi ainda realizada uma transformação logarítmica de base 10 aos resultados da abundância relativa. Esta é adequada quando se pretende diminuir o peso de espécies com forte abundância num amplo conjunto de dados e tornar a sua frequência mais comparável com as das restantes espécies (Lepš e Šmilauer, 2003). Por haver espécies que estão ausentes nalgumas amostras, representadas pelo valor 0 na matriz de dados, foi necessário adicionar uma constante a toda a matriz (1) para que fosse possível realizar a transformação logarítmica.

O primeiro método de análise estatística multivariado escolhido foi a Análise de

Clusters. Trata-se de um método de classificação que tem por objectivo agrupar entidades,

como amostras ou espécies, em grupos internamente homogéneos e distintos uns dos outros, quantificando as suas relações (Lepš e Šmilauer, 2003). Este método foi aplicado recorrendo ao software PAST (Hammer et al., 2001). O algoritmo escolhido para este método foi o Paired group (UPGMA) e o índice de similaridade o Bray-Curtis.

O algoritmo o Paired group (UPGMA) une os clusters com base na distância média entre todos os pares de membros possíveis (Jongman et al., 1995).

O índice de similaridade de Bray-Curtis é comummente utilizado para dados de abundância (Hammer, 2013). Os resultados deste índice estatístico podem assumir

Quanto aos métodos de ordenação, estes têm como objectivo a análise das semelhanças, ou diferenças, entre entidades em termos de colocação num espaço multidimensional. Foi necessário determinar primeiro qual seria o mais adequado para o conjunto de dados a tratar. Para tal, teve-se em conta o comprimento do gradiente (gradient length). O comprimento do gradiente mede a diversidade beta numa comunidade ao longo de gradientes ambientais independentes. Se o gradiente mais elevado for maior que 4, o método mais adequado será um unimodal (Detrended

Correspondence Analysis ou Canonical Correspondence Analysis). O uso de um método

linear deve ser aplicado quando o gradiente é menor que 3, sendo mais adequado quando os dados são mais homogéneos e não se desviam muito de um comportamento linear. Por fim se o gradiente mais elevado se situar entre 3 e 4, podem ser utilizados qualquer um ou ambos os métodos (Lepš e Šmilauer, 2003).

O comprimento máximo dos gradientes obtido foi 0,682, pelo que será mais adequado utilizar um método de ordenação linear, tendo-se optado pela Análise de Componentes Principais (ACP).

Os métodos lineares são os mais simples porque assumem que a resposta de uma espécie a uma variável ambiental é linear. Por outro lado, os métodos unimodais assumem que existe um intervalo óptimo para a espécie no gradiente ambiental e que a resposta em torno deste é simétrica (Lepš e Šmilauer, 2003), o que os torna mais adequados para caracterizar a distribuição ecológica da maior parte das populações.

A ACP foi aplicada recorrendo ao software MVSP. Os resultados encontram-se apresentados num diagrama de ordenação, sob a forma de um biplot, em que se exibe a distância entre amostras em simultâneo com a relação entre espécies.

Num diagrama de ordenação as amostras são representadas como pontos. Ao analisar a sua distribuição, a distância entre amostras representa uma medida de dissimilaridade, ou seja, quanto mais afastadas se encontrarem duas amostras maior a sua dissimilaridade (Lepš e Šmilauer, 2003).

As espécies são representadas como vectores, normalmente com a forma de uma seta. A direcção relativa das setas que representam cada espécie constitui uma medida aproximada dos coeficientes de correlação entre elas. Desta forma, setas que apontem na mesma direcção apresentam uma forte correlação positiva, enquanto que setas que

apontem em direcções opostas apresentam uma forte correlação negativa. Se dois vectores formarem um ângulo recto então é espectável que as respectivas espécies apresentem uma correlação muito baixa, praticamente não existente (Lepš e Šmilauer, 2003). Individualmente a direcção de um vector representa a direcção de maior variação para a espécie e seu o comprimento é proporcional à magnitude desta variação (Kovach Computing Services, 2007).

A posição dos pontos em relação aos vectores, determinada por linhas perpendiculares que unem os pontos às setas, indica a relação entre as amostras e as espécies. Os pontos que se encontrarem mais perto da extremidade da seta são aqueles que apresentam maior abundância dessa espécie (Lepš e Šmilauer, 2003; Figura 10).

Figura 10 – Projecção dos pontos das amostras em relação ao vector da espécie Spc_2. As amostras Sa2 e Sa4 aparentam ter a maior abundância da espécie, prevê-se que a amostra Sa3 tenha uma baixa abundância perto dos valores médios da espécie Spc_2 e por fim que as menores abundâncias estejam ligadas às amostras Sa1 e Sa5 (Lepš e

Šmilauer, 2003).

Os dados encontram-se centrados em relação às espécies. Esta é uma opção de padronização comum quando se pretende avaliar a resposta de um conjunto de espécies, com comportamentos muito diferentes entre si, a variáveis ambientais. Consequentemente estas espécies vão apresentar potenciais de ocorrência no meio também bastante distintos entre si (Lepš e Šmilauer, 2003).

Não foi realizada a estandardização da matriz, uma vez que esta é mais adequada para casos em que as variáveis tenham sido medidas em unidades diferentes. Desta forma